khaledbenmachiche/Intelligent_Irrigation_System

Intelligent autonomous irrigation system for desert agriculture using LSTM neural networks and Deep Q-Network reinforcement learning. Optimizes water usage for tomato cultivation in Algeria's El Oued region through real-time climate prediction and smart irrigation decisions. --- # Système d’Irrigation Intelligent et Autonome ## Description Ce projet vise à développer un système d’irrigation intelligent, autonome et économe en eau, spécialement conçu pour les **zones désertiques** par exemple la région d’El Oued en Algérie. Grâce à l'intégration de **modèles prédictifs LSTM** et d’un **agent d’apprentissage par renforcement profond (DQN)**, le système adapte en temps réel l’irrigation en fonction des besoins réels des cultures (ici, la tomate) et des conditions climatiques locales. --- ## Objectifs du Projet - Optimiser la gestion de l’eau dans des zones à stress hydrique élevé. - Améliorer les rendements agricoles en personnalisant l’irrigation. - Réduire les coûts d’irrigation par une gestion intelligente des ressources. - Intégrer des technologies d’**IA**, de simulation **agro-climatique**, et de **capteurs IoT**. --- ## Technologies et Méthodologies Utilisées - **Deep Learning** : LSTM pour la prédiction du SWTD (soil water content) et du rendement. - **Reinforcement Learning** : Deep Q-Network (DQN) pour la décision optimale d’irrigation. - **Simulations agronomiques** : DSSAT avec le module CROPGRO-Tomato. - **Sources de données** : NASA POWER API pour les données climatiques. - **Prétraitement** : Z-Score, normalisation, PCA. - **Évaluation** : RMSE, R² pour la précision des modèles. --- ## Modèles Implémentés ### LSTM 1 : Prédiction SWTD - Entrées : Température, humidité, précipitations, évapotranspiration. - Fenêtre temporelle : 4 à 7 jours. - Sortie : Teneur en eau du sol le lendemain. - R² obtenu : > 0.90 ### LSTM 2 : Prédiction du rendement - Entrées : Climat, irrigation historique, SWTD. - Période : Saison agricole complète. - Sortie : Estimation du rendement en kg/ha. - R² obtenu : ≈ 0.91 ### Agent DQN : Optimisation des volumes d’irrigation (en cours d'implementation) - Actions possibles : 12 niveaux (0–60 mm/jour) - Récompense basée sur : rendement économique - coût de l’eau --- ## Spécificités Régiona …